A taxonomy-based understanding of community flood resilience
Notice bibliographique
Résumé
Reducing disaster risk and enhancing resilience are major global societal challenges. To inform this challenge, understanding resilience at the community level is especially important because the impact of disasters and the potential for resilient development are particularly acute at this scale. The last decade has seen a surge in efforts in measuring resilience to a variety of hazards, yet measurement frameworks lack empirical validation and widespread application. To bridge this information gap, we provide analysis into an unprecedented dataset: a standardized, empirically validated approach to community flood resilience measurement, applied in over 290 communities across 20 developing countries. The analysis is based on the Flood Resilience Measurement for Communities (FRMC) framework and tool designed to provide a holistic approach to measuring community flood resilience and to support implementation of resilience-strengthening interventions. Our analysis starts with an assessment of the validity and reliability of the data and leads into querying whether and how to organize the wealth of information of community contexts into a discrete set of clusters. Although we appreciate that fostering resilience has to be strongly context-aware, we also present a taxonomy related to flood risk and socioeconomic community characteristics, which, using multinomial and random forest methods, leads us to identifying five distinct community clusters based on their resilience profiles and capital scores. This clustering taxonomy provides a way to group communities by similarities and differences between absolute and distributional resilience levels and socioeconomic community characteristics. These clusters may serve as a resource for further examining efforts for building resilience, analyzing resilience dynamics over time, and informing policy options across the world.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».